Tensorflow第四天---深度学习--GPU训练

GPU安装—Windows

下载完后有个压缩包之后就可以安装了。






然后加入到环境变量后，确定即可。此时CUDA生效

安装cuDNN

用于为深度学习加速用的。
注册一个账号后才可以下载。






拷贝到cuda对应目录即可。


类似将文件夹下的文件对应拷贝到CUDA下的对应文件夹下。


安装好两个之后，可以卸载CPU版本，再安装GPU版本的tensorflow了。

之后安装好GPU版本tensorflow后，跑程序后会自动调用GPU进行深度计算了。即使有CPU也会默认按照GPU运行了。

训练自己的图片分类模型

第一种思路：
准备一个特定的模型。确定好模型框架。如googleNet或者LSTM网络
之后里面的神经元的参数刚开始初始化都是一些随机值，将准备好的数据一个一个批次放进去训练，经过非常长时间将模型训练好，用googleNet训练，模型复杂，训练的参数非常多，若从头训练需要准备一个非常大的数据集，若数据少去训练，最后过拟合会很严重，这是从无到有去训练模型。
第二种思路：
先准备一个训练好的模型，如googleNet，里面的权值参数是确定的。

卷积层作用就是做图像特征提取，即固定好之前别人训练好的模型的卷积池化层的参数，一会我们训练时候也不改变这些参数。

第三种思路：
给小的学习率对之前的别人训练好的模型微调。主要还是训练我们加的最后一层。

思路二实践

1、







一会直接调用google模型，将图片数据传入网络中，且原来google模型中的参数不会变化。


这样可以大大减少模型训练的复杂度。